編輯導(dǎo)讀：在推薦系統(tǒng)中，召回是從物料庫中獲取一小部分物料，這一小部分物料會在后續(xù)的環(huán)節(jié)被模型用來打分排序。本文作者圍繞推薦系統(tǒng)的召回進(jìn)行了策略和場景兩個(gè)維度的分析，希望對你有幫助。

本文主要覆蓋以下2個(gè)topic：

1. 召回
2. 召回策略與場景

如果你對本文有興趣，就繼續(xù)往下看吧～

一、召回

本模塊主要回答以下幾個(gè)問題：

1. 召回是什么？
2. 為什么需要召回？
3. 工業(yè)界大家都是怎么做召回的？

1.1 召回是什么

在推薦系統(tǒng)中，召回是從物料庫中，獲取一小部分物料，這一小部分物料會在后續(xù)的環(huán)節(jié)被模型用來進(jìn)行打分排序。

1.2 為什么需要召回

在真實(shí)的生產(chǎn)中，往往有數(shù)以億計(jì)的item，如果直接用模型對這些item進(jìn)行打分，完全不現(xiàn)實(shí)。所以需要召回環(huán)節(jié)。

召回環(huán)節(jié)主要數(shù)以億計(jì)的數(shù)據(jù)中，檢索出百級別的候選物品。

1.3 工業(yè)界大家都是怎么做召回的？

看幾個(gè)行業(yè)case。

（微信看一看）

（愛奇藝段視頻）

（蜻蜓FM）

總結(jié)一下：多路召回是當(dāng)前推薦系統(tǒng)的主流架構(gòu)。

KNOW-WHY環(huán)節(jié)，為什么大家都要用多路召回這種架構(gòu)呢？

這樣的設(shè)計(jì)主要有如下考慮：

1. 考慮用戶層面：用戶興趣的多元化，用戶需求與場景的多元化。例如：新聞需求，重大要聞，相關(guān)內(nèi)容沉浸閱讀等等
2. 考慮系統(tǒng)層面：增強(qiáng)系統(tǒng)的魯棒性；部分召回失效，其余召回隊(duì)列兜底不會導(dǎo)致整個(gè)召回層失效；排序?qū)邮?，召回?duì)列兜底不會導(dǎo)致整個(gè)推薦系統(tǒng)失效。
3. 系統(tǒng)多樣性內(nèi)容分發(fā)：圖文、視頻、小視頻；精準(zhǔn)、試探、時(shí)效一定比例；召回目標(biāo)的多元化，例如：相關(guān)性，沉浸時(shí)長，時(shí)效性，特色內(nèi)容等等
4. 可解釋性推薦一部分召回是有明確推薦理由的：很好的解決產(chǎn)品性數(shù)據(jù)的引入；

二、召回策略與場景

本模塊主要回答如下幾個(gè)問題：

1. 策略與場景的關(guān)系？
2. 如何設(shè)置場景的策略？

2.1 策略與場景的關(guān)系

先說結(jié)論：策略是強(qiáng)場景相關(guān)的～！

如何validate上述結(jié)論？

用戶逛首頁：這個(gè)時(shí)候，用戶暫時(shí)沒有明確的購物意圖，就是想來看看，有什么什么物品能夠吸引自己的興趣。所以這個(gè)時(shí)候的召回策略，偏興趣試探。

用戶逛詳情頁：比如你這個(gè)時(shí)候就想買一只奶茶色的口紅，你在某只口紅的詳情頁研究了3分鐘，并且下單了，這個(gè)時(shí)候給你推薦的，肯定還是奶茶色的口紅。畢竟對女人來說，一只口紅是買，兩只口紅也是買。

2.2 如何設(shè)置場景的策略？

是否有一些可以遵循的標(biāo)準(zhǔn)步驟/思考模式可以復(fù)用？

2.2.1 第一步：看數(shù)據(jù)

原則：任何策略都需要數(shù)據(jù)的支持。

use-case：

場景：

運(yùn)營同學(xué)、算法同學(xué)、還有你，大家在一起討論是否要增加一路召回，這路召回的具體邏輯是按照用戶興趣topic進(jìn)行召回。

思考邏輯：

按照興趣topic召回具體實(shí)現(xiàn)邏輯梳理：即用戶畫像有興趣topic字段，比如我西藍(lán)花，我的用戶畫像興趣topic字段有健身，那么可以用這一路進(jìn)行召回。

數(shù)據(jù)現(xiàn)狀梳理：經(jīng)過review用戶畫像數(shù)據(jù)，發(fā)現(xiàn)99%的用戶，都沒有興趣topic字段。那這樣的話，就算上了這一路召回，也沒有多大價(jià)值。

如果思考到這里就結(jié)束了，那我覺得還是不夠，我們還需要思考，如何獲得用戶的興趣topic字段。這就需要從產(chǎn)品設(shè)計(jì)上進(jìn)行考慮～比如小紅書的引導(dǎo)

2.2.2 第二步：看場景

原則：

1. 推薦策略最本質(zhì)的功能是參與構(gòu)建使得用戶沉浸其中的場景
2. 用戶帶著不同的動機(jī)進(jìn)入不同的場景，在用戶的瀏覽鏈路中，各個(gè)場景應(yīng)該滿足或者引導(dǎo)用戶的需求。具體到召回與場景，不同的場景需要不同的召回通道，或者不同的場景對同一個(gè)召回通道有所偏重。舉例，app推薦首頁，更側(cè)重用戶興趣試探，展示內(nèi)容比較發(fā)散，使得用戶能夠找到自己感興趣的主題。用戶點(diǎn)擊推薦頁進(jìn)入詳情頁，用戶的興趣進(jìn)一步明確，在該頁推薦的內(nèi)容應(yīng)該比較收斂。因此，結(jié)合業(yè)務(wù)需求，推薦頁可能需要各種不同類型的召回通道，從召回上保證多樣性。詳情頁可能不需要那么多召回通道，同時(shí)召回上保證相關(guān)性。

use-case：

場景：美團(tuán)買菜，商品詳情頁，用戶點(diǎn)擊“加入購物車”，底部會彈出“買了又買”模塊。

策略：在該場景，買了又買模塊是當(dāng)前場景，給用戶推薦其加購商品同一類的商品。比如用戶加購冰淇淋，則推薦冰淇淋；用戶買零食，則推薦零食；用戶買水果，則推薦水果。

一點(diǎn)延伸思考，美團(tuán)買菜的這個(gè)產(chǎn)品設(shè)計(jì)，目標(biāo)是什么？

先和大家分享一個(gè)群里的故事，群里有個(gè)朋友提問：”想請教下對于用戶冷啟動，這些方法怎么能比較靠靠譜滴落地呢？user、item的embedding沒有行為數(shù)據(jù)情況還有什么方法可以得到嗎？”

我的回答分為兩層：

1. 第一，建議你梳理并講解一下你們的業(yè)務(wù)背景；
2. 第二，你們做這個(gè)冷啟動，業(yè)務(wù)目標(biāo)是什么？是提升轉(zhuǎn)化率還是點(diǎn)擊率？

明白為什么我講這個(gè)故事了嗎？產(chǎn)品設(shè)計(jì)與目標(biāo)永遠(yuǎn)都是結(jié)伴而行，不可分割。

如果看到一個(gè)推薦場景，我們不能條件反射地去思考，這個(gè)場景的目標(biāo)是什么？背后站著的產(chǎn)品設(shè)計(jì)者（creator）是如何構(gòu)建他所期望讓用戶沉浸其中的場景？也就是KNOW WHY 和KNOW HOW。那我們就應(yīng)該強(qiáng)制自己這樣思考。

回到美團(tuán)買菜這個(gè)case本身。

• KNOW-WHY。該場景目標(biāo)是什么？讓用戶購買更多的商品，提升的是GMV。
• KNOW-HOW。creator如何構(gòu)建這個(gè)該場景？用戶在詳情頁，加購某一商品，這個(gè)時(shí)候用戶的興趣意圖是非常明確的。比如用戶買鐘薛高的冰淇淋，那么用戶的意圖可以分為：第一，用戶希望買冰淇淋；第二，用戶希望買鐘薛高的冰淇淋。那么這個(gè)時(shí)候可以給用戶推薦符合這兩種條件的冰淇淋。

一點(diǎn)題外話：總會看到有人討論推薦產(chǎn)品經(jīng)理的價(jià)值，在推薦這整個(gè)系統(tǒng)中，主導(dǎo)的是算法，那策略產(chǎn)品的價(jià)值是什么。我的理解是，策略產(chǎn)品很大一部分價(jià)值就是在挖掘場景，構(gòu)建場景。像用戶加購商品后的買了又買模塊，就是一個(gè)非常好的場景。

美團(tuán)買菜這個(gè)場景的構(gòu)建是蠻好的～既然有好的case，就必須說一個(gè)我覺得很差的case，沒有對比哪能知道孰好孰壞

這是7fresh的一個(gè)加購頁面，給我推薦了油麥菜和鱸魚。我是7fresh的忠實(shí)用戶，消費(fèi)頻率高，一周3-4次的購買行為。主要集中在：零食、飲料、化妝品、護(hù)膚品等模塊。我從來不做飯不做菜，所以我真的沒有理解為什么要推薦這個(gè)。

2.2.3 第三步：多路召回，冗余過濾

原則：審視多路召回，冗余過濾。同一個(gè)場景可能會篩選出多路召回，各路召回盡量不要冗余。如果兩路召回拉取的帖子屬性非常相近，那么這兩路召回冗余性較大，其中一路召回可以去掉。

use-case：這個(gè)暫時(shí)沒有use-case，主要考慮是如果兩路召回，其分別召回的內(nèi)容差不多，效用不大，還新增了需要去重，不劃算。

最后，如果你覺得本篇文章對你有幫助～記得收藏并且關(guān)注我哦～

#專欄作家#

一顆西蘭花，人人都是產(chǎn)品經(jīng)理專欄作家。關(guān)注AI產(chǎn)業(yè)與寫作工具，擅長數(shù)據(jù)分析，產(chǎn)品研發(fā)管理。

本文原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議